最近，由麻省理工学院（MIT）Ayush Chopra 与 Santanu Bhattacharya 领衔，联合橡树岭国家实验室（Oak Ridge National Laboratory）及多个州政府政策办公室发布了一份重磅报告——《冰山计划：冰山指数与 AI 经济中的技能敞口测量》（The Iceberg Index）。

报告中得出的结论让我们冷汗直冒，但又异常兴奋。

MIT 说，我们目前看到的 AI 繁荣，仅仅是漂浮在水面上的 2.2%；

而水面之下，隐藏着高达 11.7%、价值 1.2 万亿美元的 " 隐性技术敞口 "。

这究竟是什么意思？

又意味着什么？

在看完报告后，如果你一定要我们给这份报告找一个核心隐喻，那就是：

不要用温度计去测量风速。

过去两百年，经济学家们习惯了用 GDP、失业率、全要素生产率来衡量技术革命。在蒸汽机时代，这很管用——机器进厂，工人下岗，产量翻倍，数据立竿见影。

但在 AI 时代，这些指标统统成了 " 滞后指标 "。

当 GDP 数据反映出变化时，变革早已结束，甚至尸横遍野。因为 AI 不像蒸汽机那样笨重可见，它是无形的、渗透性的。

比如当一个护士用 AI 优化了排班表，从而多照顾了两名病人，GDP 捕捉不到这个变化；当一个中西部工厂的品控经理用视觉模型替代了肉眼检查，失业率数据也还没来得及反应。

为了打破这种盲视，《冰山计划》的研究团队做了一件极其硬核的事。

他们动用了世界级的Frontier 超级计算机，构建了一个 " 大群体模型 "（Large Population Models， LPMs）。

简单来说，他们造了一个 " 平行宇宙版的美国 "。

在这个基于 AgentTorch 构建的数字沙盒里，生活着1.51 亿个 " 数字工人 "。他们是拥有独立属性的智能体（Agent）：

每个智能体都有具体的职业（覆盖 923 种工种）；

每个智能体都点亮了不同的技能树（基于 O*NET 的 32，000 种技能）；

每个智能体都有真实的地理坐标（分布在 3000 个县域）。

研究团队向这个沙盒投放了各种 AI 工具（从 Copilot 到 Zapier 自动化流），然后按下 " 运行键 "，模拟这 1.51 亿人在数十亿次工作交互中，到底发生了什么。

提一嘴，这种模拟方式对现有的社会研究是一种降维打击。

而正是通过这种上帝视角，我们才第一次看见了那个被传统经济学遗漏的庞然大物——" 冰山指数 "（The Iceberg Index）。

好，Frontier 超算的模拟结果让我们看到了 3 个洞见：

首先击碎的是我们对 "AI 中心 " 的地理认知。

如果你问一个路人：

" 美国 AI 革命的中心在哪里？"

十个人有九个会回答：旧金山、西雅图、波士顿。

但《冰山计划》通过热力图揭示了一个 " 产用分离 " 现象：

生产 AI 的地方（GenAI Hubs） ≠ 被 AI 重塑的地方（AI-Exposed Hubs）。

我们可以说—— 2.2% 水上 vs 11.7% 水下。

水面之上，是 2.2% 显现薪资价值。

这部分主要集中在加州、华盛顿州。这里的工程师们在训练模型，VC 们在谈论估值。这里是 AI 的 " 兵工厂 "，虽然喧嚣，但只占经济总盘子的极小部分。

水面之下，是隐性的 11.7% 价值。

这部分遍布全行业，是静悄悄的效率革命。

最惊人的发现是：

那 11.7% 的隐性金矿，并不在硅谷，而是在俄亥俄州、田纳西州、犹他州、密歇根州。

也就是我们常说的 " 铁锈地带 "。

那为什么会这样？

你想想，AI 大模型最擅长解决什么问题？

它擅长处理复杂的文档、协调繁琐的流程、优化大规模的调度、辅助专业的合规判断。

哪里这种工作最多？

不是在写代码的硅谷创业公司，而是在拥有庞大供应链的制造业基地、拥有复杂理赔流程的保险中心、拥有海量病例管理的医疗重镇——在俄亥俄州（冰山指数高达 11.8%），无数的制造业供应链需要管理；在田纳西州（11.6%），联邦快递的枢纽带动了复杂的物流计算。

报告将这种现象称为 " 自动化意外 "（Automation Surprise）——这些地区表面上看起来毫无 " 科技感 "，但其内部的技能结构正处于极高的 AI 渗透前夜。

这给我们中国的启示也是震撼的：

所谓的 " 旧经济 "，其实是 AI 最大的 " 新矿场 "。

其二，让我们深入解剖一下 11.7%。通过超级计算机模拟，得到的技术敞口是 11.7%。

其实很多人看到 "11.7% 的技术敞口 " 时，第一反应往往是松了一口气：

" 还好，只有一成多，还没到大面积失业的时候。"

这是一个误读。

要知道，AI 重新定义了 " 工作的价值 "。

在过去的工业革命中，自动化遵循 " 替代手脚 " 的逻辑：先替代最脏、最累、最廉价的体力劳动（比如搬运、组装）。

但《冰山计划》说：

这一次，AI 正在吞噬的是高薪技能。

让我们把一个资深金融合规官（年薪 20 万美元）的工作拆解开来：

A 类技能（耗时 60%）： 阅读几百页的新监管条例，比对旧条款，检索历史违规案例，撰写初步风控报告。

B 类技能（耗时 30%）： 与业务部门博弈，在灰色地带做决策，承担签字的法律责任。

C 类技能（耗时 10%）： 开会、社交、建立信任。

在 AI 出现之前，企业必须为 A 类技能支付高昂的薪水，因为这需要极高的知识储备和阅读速度——这被称为 " 知识溢价 "。

然而，11.7% 的 AI 技术敞口，精准覆盖的正是 A 类技能—— AI 可以在几分钟内完成 A 类工作，且准确率更高。

也就是说，企业支付给这位合规官的 20 万年薪里，原本用来购买 " 阅读与整理能力 " 的那 12 万美元，瞬间失去了价值支撑。

这就像是切走了牛排最嫩的菲力，只留下了难啃的骨头。

其三，岗位空心化。

报告中提到了一个非常反常的数据：

传统的失业率、GDP 增长与 AI 影响力的相关性极低（R² < 0.05）。

按理说，如此巨大的技术冲击，经济数据应该剧烈波动才对。

那为什么没有呢？

因为发生了 " 岗位空心化 "。

在现阶段，AI 并没有直接把人踢出办公室，而是制造了一种 " 胜任力假象 "。

以前，一位资深分析师需要 10 年经验才能写出一份完美的研报。

但现在，一个刚毕业的实习生，配合三个 AI Agent，也能产出 80 分甚至 90 分的研报。

表面上看，大家都在工作，岗位没少。

但实质上，" 资深经验 " 的护城河被填，平，了！

当一个初级员工借助工具就能达到高级员工的产出时，企业主可能暂时不会裁员，但市场一定会重新定价。" 通用认知能力 " 的价格将急剧下降，这就像计算器普及后，心算快的人不再值钱一样。

这种效率的提升掩盖了岗位价值的结构性危机。

GDP 看着没变，但其实是因为原本昂贵的 " 智力服务 " 变得像自来水一样廉价，通缩的阴影已经笼罩在每个白领的头上。

所以，如果结合以上三点，我们将这个逻辑推演到底，会得出什么结论？

未来的薪资，将不再为你的 " 知识储备 " 买单，因为知识已经不值钱了；

未来的薪资，只为你的 " 决策担当 "、" 人际信任 " 和 " 物理行动 " 买单——也就是那些 AI 目前还无法覆盖的剩下 88.3%。

所以，不要庆幸自己不在那 11.7% 的直接替代名单里。

你应该担心的是：当那 11.7% 的核心价值被 AI 抽走后，你剩下的技能，是否还配得上现在的工资？

虽然这份报告研究的是美国，但最终，我们需要思考国内的情况。

如果说旧金山对应的是北京海淀和上海西岸（大模型扎堆，卷算力，卷参数）；那么美国 " 铁锈带 " 对应的就是中国的佛山、苏州、宁波、长沙等等。

而且，我们在这些地方，有世界最完备的制造业门类，有最复杂的物流场景，有最密集的内外贸流程。

按照《冰山计划》的逻辑，中国 AI 的真正爆发点，就诞生在某个宁波注塑厂的排产办公室里，或者义乌小商品城的跨境电商后台里。

而且中国的 " 冰山指数 " 比美国更高。

因为我们的制造业供应链更长，我们的行政管理节点更多。

对于中国的政策制定者和企业家来说，这是一个巨大的信号：

去关注那些 " 含科量 " 看似不高，但 " 含数据量 " 极大的实体产业。

去寻找那些拥有复杂流程、高人力成本的 " 隐形冠军 "。

那里，才是中国 AI 经济的震中。